🍹 Insight Daily 🪺
Aitrainee | 公众号：AI进修生
Hi，这里是Aitrainee，欢迎阅读本期新文章。
在今天的文章中，我们将讨论 Momo，这是一个 70 亿参数和 720 亿参数的多模型，从它的基准测试上显示，它击败了 GPT 4o 和 Claude Sonet3.5：
准确的说是，Molmo-72B 获得了最高的学术基准分数，并在人工评估中排名第二，略低于 GPT-4o。
Molmo 72B 基于Qwen2-72B，使用OpenAI CLIP作为视觉主干。
Molmo 模型在大多数视觉基准测试中均优于 Llama 3.2
除此以外，你可能想问他和Qwen2 VL 72B的比较：转自reddit网友提供的，你想要看到的Molmo-72B和这些模型的比较
Molmo 72B 所以这么好，最重要的一点是他们的高质量数据集 pixo，正如他们所说，数据质量胜过数量，而且始终注重高质量数据，因为垃圾进垃圾出。
开放了四个Molmo 模型：
测试一下
下面的测试中我会提到llama3.2 90B，写于这篇文章：
全新Llama 3.2系列：性能提升明显，但真的是最优选择吗？（已测试)
你能理解这个梗图的梗点在哪里吗
很明显，4o回答正确了，而Molmo则完全错误，甚至不知道他有些东西是怎么来的，哪里有综合？印证了梗图的胡言乱语，哈哈哈。
图中有几个水果，哪个最小，哪个最酸，它们分别在架子的哪一行和哪一列？
酸的说对了，但是那是苹果，不是荔枝；不过比llama3.2 90B的回答好。
4o回答得更棒，只是还是漏掉了一个：西瓜。不过最小和最酸的都答对了；4o得分啦，+1。不过说个题外话，最近这几天4o好像变懒了，回答问题都很短，令人头疼。
我继续问它们图片的分辨率是多少
Molmo无法识别图像的分辨率，而 ChatGPT 可以 。
识别线的相交情况：
Molmo 、4o都失败了。
石头计数和水印
试了好几次，都数成了7块，前面一片文章llama3.2 90B是可以数对的。
4o也错了。
船的计数问题
这一轮二者都通过
下面继续：
这个问题我尝试了两次，实际上他有30艘，不过他数的大差不差，我觉得也已经很不错了
4o也数错了：
Molmo这个模型的计数还挺厉害的，关于这个技术的细节有热心网友提供：https://arxiv.org/abs/2310.11441
时钟问题
Molmo发布后，有网友指出它是第一个可以准确识别时钟具体时间的LLM
对，Gpt-4o 也不行，曾经专门有个帖子提到了这一点
我也测试了一下
确实，4o不管问几次，始终不能说出正确的时间：5点50分
但是 Molmo可以
但是，值得注意的是 ，有网友指出，Molmo 专门针对时钟数据集微调过。
所以，鉴于这种原因，并不能说Molmo完全更厉害，4o 想要做到这一点并不难，仅仅因为没有包含此类数据并不意味着他不能。
Molmo一些其他的例子
Molmo 解决距离问题：
Molmo 可以高精度地获取图像中物体的坐标，
图像中的物体含义
总的来说对于这个新模型我觉得他挺棒的，它拥有独特的优势，不过对我来说，我觉得4o还是最佳的视觉模型。
🌟希望这篇文章对你有帮助，感谢阅读！如果你喜欢这系列文章请以 点赞 / 分享 / 在看 的方式告诉我，以便我用来评估创作方向。
[1] https://molmo.allenai.org/
知音难求，自我修炼亦艰
抓住前沿技术的机遇，与我们一起成为创新的超级个体
（把握AIGC时代的个人力量）
点这里👇关注我，记得标星哦～
